基于面部特征增强和CNN的民族人脸图像检索方法研究

发布时间：2020-11-08 08:29

　　 我国是一个多民族国家,不同民族间的面部特征会因地域、气候等环境的不同而存在一定的差异,然而随着时间的变迁、民族的繁衍及文化的交流与融合,民族人脸特征逐渐弱化甚至消失,因此利用计算机技术对民族人脸特征进行研究和应用具有深远意义。本文以探索少数民族面部特征提取的有效方法为目的,研究基于面部特征增强和卷积神经网络(Convolutional Neural Network,CNN)的民族人脸图像检索方法,为相关领域研究提供新的思路与参考。主要研究工作如下:(1)民族人脸资源库构建。本文对云南省德宏州、红河州的两个少数民族地区282人的民族人脸图像进行采集和预处理,建立了涵盖不同表情、姿态、角度、光照和背景变化的民族人脸资源库。(2)民族人脸特征增强。针对人脸民族特征的差异,本文通过对民族人脸关键特征点检测,基于对两个民族人脸特征区域的对比分析,提出了一种基于感兴趣区域的民族人脸特征增强方法,以提升民族人脸的特征表达和辨别能力。(3)基于CNN的民族人脸图像检索。本文在民族特征增强的基础上,构建基于CNN的民族人脸检索框架,实现民族人脸深度特征提取和检索,并通过实验对比分析不同深度网络结构下多组特征增强的人脸检索效果,验证了本文提出的基于特征增强和CNN的民族人脸检索方法有效性和优越性。(4)民族人脸图像检索原型系统的设计与实现。本文采用PyQt5和TensorFlow设计并实现了民族人脸图像检索原型系统,该系统包括数据预处理、民族人脸特征增强、基于CNN的民族人脸图像检索和检索结果可视化四个模块,可实现多种图像检索模式结果的可视化。
【学位单位】：云南师范大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP391.41;TP183
【部分图文】：

第2章图像检索相关理论和技术基础10像中每一个像素灰度值与其相邻窗口内的像素灰度值进行数值比较，得到该图的纹理特征信息。详细计算方式如公式2.1：1,010,2()00PPlpcPRPxfxysggsxx(2.1)其中，P为采样点的个数，cg表示中心像素，0,1,2,1pgpP表示cg周围的像素，基于LBP特征提取的图像如图2.2所示：图2.2LBP特征提取PCA是数据降维算法中最为常见的一种，其算法思想是将N维空间的特征映射到K维上（K<N），K维是在N维特征的基础上构造的新的正交向量，即主成分部分。PCA的工作主要是在原始空间中，按照一定的规则进行查找，找出一对相互正交的坐标轴。找出的坐标轴建立在原始数据的基础上，第1个坐标轴应为原始数据中方差最大的方向，第2个坐标轴应为与第1个坐标轴方差最大的正交平面，第3个坐标轴应为与第1、2坐标轴方差最大的正交平面，以此类推，可以得到N个这样的坐标轴。利用这种方式获得的坐标轴，绝大多数方差都集中在前K个坐标轴中，其余部分的方差都接近于0。PCA就是一种利用这种形式将高维空间的数据映射到低维度空间的算法，在图像特征提取中被广泛使用，通过这种线性变换方式将高维转向低维，数据各维度之间的正交线性关系没有关联。PCA能够有效解决由于数据维度高造成的特征提取难的问题，同时也降低了数据计算量和计算复杂度。但是PCA的缺点体现在在图像分类的过程中，PCA无法有效的利用图像的类别特征信息进行降维，这也是PCA受到局限的因素之一。

第2章图像检索相关理论和技术基础12图2.3PCA特征脸2.1.2基于深度学习方式人脸特征点提取也可以基于深度学习的方式，常用的有卷积神经网络，循环神经网络和生成对抗网络等，本小节主要以卷积神经网络类中的深度卷积网络（DeepConvolutionalNeuralNetwork，DCNN）进行描述。DCNN是在CNN模型的基础上进行多层模型构建。DCNN是一种以交替叠加的卷积层和池化层构成的人工神经网络，这样的优势在于，能够得模型具有学习平移空间变化的不变性特征，这是解决很多图像识别技术中至关重要的方法，这也使得DCNN成为了目前在视觉领域中常用的深度学习模型之一[64]。DCNN模型结构图[65]如图2.4所示：图2.4DCNN模型结构图DCNN模型的设计原理与RCNN[66]一样，都是从粗定位到精定位的过程。

第2章图像检索相关理论和技术基础12图2.3PCA特征脸2.1.2基于深度学习方式人脸特征点提取也可以基于深度学习的方式，常用的有卷积神经网络，循环神经网络和生成对抗网络等，本小节主要以卷积神经网络类中的深度卷积网络（DeepConvolutionalNeuralNetwork，DCNN）进行描述。DCNN是在CNN模型的基础上进行多层模型构建。DCNN是一种以交替叠加的卷积层和池化层构成的人工神经网络，这样的优势在于，能够得模型具有学习平移空间变化的不变性特征，这是解决很多图像识别技术中至关重要的方法，这也使得DCNN成为了目前在视觉领域中常用的深度学习模型之一[64]。DCNN模型结构图[65]如图2.4所示：图2.4DCNN模型结构图DCNN模型的设计原理与RCNN[66]一样，都是从粗定位到精定位的过程。
【参考文献】

相关期刊论文 前10条

1 田联刚;赵鹏;;多元共生 和而不同——关于少数民族文化在中华文化格局中的地位思考[J];中南民族大学学报(人文社会科学版);2015年01期

2 黄荣兵;郎方年;施展;;基于Log-Gabor小波和二维半监督判别分析的人脸图像检索[J];计算机应用研究;2012年01期

3 蒋舒卉;钱学明;;一种重要区域重采样的人脸检索方法[J];西安交通大学学报;2012年02期

4 段晓东;王存睿;刘向东;刘慧;;人脸的民族特征抽取及其识别[J];计算机科学;2010年08期

5 苏煜;山世光;陈熙霖;高文;;基于全局和局部特征集成的人脸识别[J];软件学报;2010年08期

6 刘小华;周春光;张利彪;盛会鹏;李江春;;海量人脸数据库的快速检索[J];吉林大学学报(工学版);2010年01期

7 杨之光;艾海舟;;基于聚类的人脸图像检索及相关反馈[J];自动化学报;2008年09期

8 王玮;黄非非;李见为;冯海亮;;使用多尺度LBP特征描述与识别人脸[J];光学精密工程;2008年04期

9 齐兴敏;刘冠梅;;基于PCA的人脸识别方法的比较研究[J];现代电子技术;2008年06期

10 艾海舟 ,肖习攀 ,徐光祐;人脸检测与检索[J];计算机学报;2003年07期

相关博士学位论文 前1条

1 张少华;基于深度卷积神经网络的人脸基准点定位研究[D];华中科技大学;2016年

相关硕士学位论文 前4条

1 林桢祥;基于深度增强学习的图像语句描述生成研究[D];国防科技大学;2017年

2 邱盛;基于深度学习的人脸民族识别[D];华南理工大学;2016年

3 魏正;基于Caffe平台深度学习的人脸识别研究与实现[D];西安电子科技大学;2015年

4 刘俊涛;基于机器学习方法的城市对外客运交通需求预测研究[D];哈尔滨工业大学;2015年

本文编号：2874533